Fog Computing for Detecting Vehicular Congestion, An Internet of Vehicles based Approach: A review
交通拥堵直接影响交通部门的效率。用于车辆客户端的无线传感器网络用于交通管理应用的基于车辆互联网的解决方案中。研究发现，使用基于车联网的联网车辆技术进行车辆拥堵检测对于拥堵处理实际上是可行的。结果发现，通过在车载无线传感器网络中使用基于雾计算的原理，可以改善系统中的通信，以支持更大数量的节点而不影响性能。本文研究了基于互联车辆技术的车辆拥堵识别技术。研究了可用于车辆网络的计算范例，以开发实际可行的车辆拥塞检测系统，该系统可以准确地执行大覆盖区域和多种场景。所设计的系统预计将检测拥堵，以满足交通管理目标，是智能交通系统中的首要任务。
2019-10-31 cs.NI eess.SP
Enhancing Vehicular Platooning with Wireless Federated Learning: A Resource-Aware Control Framework
本文针对车辆编队中动态通信与资源受限影响模型同步的问题，提出两阶段资源感知控制框架RACE，联合优化AoI与FLMD，利用拉格朗日对偶分解与多智能体深度强化学习进行资源配置和车辆选择，显著提升AoI优化与收敛速度。
2025-07-01 cs.NI eess.SP
Methodologies for Future Vehicular Digital Twins
本文针对智能交通系统中现有无线通信信道测量、建模与仿真方法效率不足的问题，概述车载数字孪生相关现有方案的局限，探讨未来研究的可行方向，为高可靠车载通信系统的开发验证提供参考。
2023-12-15 eess.SP
Deep Learning on Multimodal Sensor Data at the Wireless Edge for Vehicular Network
Northeastern University（东北大学）
在车辆场景中，毫米波链路的波束选择是一个具有挑战性的问题，因为在所有候选波束对之间的穷举搜索不能在短的接触时间内确定地完成。我们通过利用从LiDAR、相机图像和GPS等传感器收集的多模态数据，通过一种新的加速波束选择来解决这个问题。我们提出了单独的模态和基于分布式融合的深度学习（F-DL）架构，可以在本地以及移动边缘计算中心（MEC）执行，并研究了相关的权衡。我们还制定并解决了一个优化问题，该问题考虑了实际的波束搜索，MEC处理和传感器到MEC数据传输延迟开销，以确定上述F-DL架构的输出尺寸。对公开的合成和自制的真实世界数据集进行的广泛评估的结果显示，与经典的仅RF波束扫描相比，波束选择速度分别提高了95%和96%。F-DL在预测前10个最佳波束对方面也优于最先进的技术20-22%。
2022-01-12 cs.LG eess.SP
Cooperative Speed Estimation of an RF Jammer in Wireless Vehicular Networks
在本文中，我们关注的问题估计的速度的RF干扰机，移动到一组/排移动无线通信节点。在我们的系统模型中，节点组从主节点接收信息信号，它们想要解码，而射频（RF）干扰器希望在接近它们时破坏这种通信。对于这个系统模型，我们首先提出了一个传输方案，其中主节点保持沉默的一段时间，而它在随后的时隙发送。其次，我们开发了一种联合的数据和干扰估计算法，使用线性最小均方误差（LMMSE）估计。我们开发的分析封闭形式的表达式，其特征在于均方误差（MSE）的数据和干扰信号的估计。第三，提出了一种基于网络各节点干扰信号估计的协同干扰机速度估计算法。我们的数值和仿真结果为不同的系统配置证明了我们的整个系统的能力，以高精度和射频干扰信号和速度的干扰机估计。
2020-04-21 cs.CR eess.SP
Semantic-driven Wireless Environment Knowledge Representation for Efficiency-Accuracy Balanced Beam Prediction in Vehicular Networks
Beijing University of Posts and Telecommunications（北京邮电大学）
本文提出PES-WEKBP框架，通过电磁知识蒸馏和轻量决策网络实现车载网络中效率与精度平衡的波束预测。
2025-11-12 eess.IV eess.SP
Reconfigurable Intelligent Surface Enabled Vehicular Communication: Joint User Scheduling and Passive Beamforming
鉴于其控制和操纵无线环境的能力，可重构智能表面（RIS），也称为智能反射表面（IRS），已经成为第六代（6G）蜂窝网络的关键使能技术。同时，车辆环境无线电传播受到诸如高层建筑物之类的引起传输失真的大量对象的负面影响。因此，这项工作致力于探索区域RIS技术与车辆通信的集成，同时考虑到这种通信环境的动态性。具体来说，我们提供了一个系统模型，路边单元（RSU）利用RIS提供间接的无线传输到断开连接的区域，称为暗区。暗区是RSU覆盖范围内的点，其中通信链路由于阻塞的存在而被阻塞。详细地说，利用离散RIS来提供RSU与通过非服务区的车辆之间的通信链路。因此，RSU资源调度和RIS无源波束成形或相移矩阵的联合问题被表述为以最小平均比特率最大化为目标的优化问题。该问题是一个混合整数非凸规划问题，难以求解，且没有考虑到车载网络中的不确定动态环境。因此，我们采用基于深度强化学习的替代方法来确定RSU无线调度和块坐标下降（BCD）来解决RIS的相移矩阵\textit{i.e.,}被动波束成形。定义了马尔可夫决策过程，讨论了求解方法的复杂性。我们的数值结果表明，我们提出的方法优于基线技术。
2021-01-28 eess.SP
Semantically Optimized End-to-End Learning for Positional Telemetry in Vehicular Scenarios
本文提出利用消息出现与信道统计间语义关系的自动编码器方法，在车辆通信中显著降低BLER和RMSE，减少重传需求。
2023-05-16 cs.SY eess.SP eess.SY
Empirical Feasibility Analysis for Energy Harvesting Intra-Vehicular Wireless Sensor Networks
车辆电子系统目前利用有线网络进行电力输送（来自主电池）和通信（例如，LIN、CAN、FlexRay）。有线网络实际上不能容纳移动部件中的节点（例如，轮胎），并且随着车辆功能复杂性的增加，它们需要更长的线束，从而显著增加了燃料消耗以及制造和设计成本。作为一种替代方案，能量收集车载无线传感器网络（IVWSN）可以容纳所有位置的节点，它们无需布线，显着降低成本。在本文中，我们经验分析了这样一个IVWSN框架的可行性，通过广泛的车载测量通信在2.4 GHz，超宽带（UWB）和毫米波（mmWave）频率与射频（RF），热和振动能量收集。我们的分析表明，毫米波表现最好的短视线（LoS）的链接在发动机舱与性能接近UWB的LoS链接在底盘和乘客舱的最坏情况下的信号干扰和噪声比。对于在发动机舱和底盘中出现得更多的非LoS链路，UWB提供了最高的安全性和可靠性。2.4 GHz在所有隔室中受到严重干扰，而UWB以较低带宽为代价利用窄带抑制技术;毫米波由于其传播特性而固有地受到非常低的干扰。另一方面，RF能量收集在所有隔室中提供高达1 mW的功率。振动和热能采集器可以为发动机舱中所有功耗<10 mW的节点和底盘中所有功耗<5 mW的节点供电。在乘客舱中，由于温度梯度低，无法进行热量收集，但振动和射频源可以提供<1 mW的节点。
2020-02-03 cs.NI eess.SP
VR-VFL: Joint Rate and Client Selection for Vehicular Federated Learning Under Imperfect CSI
Uppsala University（乌普萨拉大学）
VR-VFL通过动态客户端选择和自适应传输速率优化，提升车联网联邦学习在不完美信道条件下的收敛效率。
2026-02-03 cs.LG eess.SP
Roadside IRS-Aided Vehicular Communication: Efficient Channel Estimation and Low-Complexity Beamforming Design
智能反射面（IRS）是一种很有前途的控制无线传播环境的技术，可以有效地提高通信性能。然而，在高移动性的通信场景中，如车辆通信的快速时变的信道使得它具有挑战性，以获得瞬时的信道状态信息（CSI）有效的IRS与大量的反射元件。在本文中，我们提出了一种新的路边IRS辅助车载通信系统来应对这一挑战。具体而言，通过利用道路两侧的IRS的交错等间隔的对称部署和附近的IRS控制器之间的合作，我们提出了一种新的两阶段信道估计方案，离线和在线训练，分别获得所提出的低复杂度的被动波束形成方案所需的静态/时变CSI有效。所提出的IRS波束成形和在线信道估计设计利用无线网络中现有的上行链路导频，并且不需要对现有传输协议进行任何改变。此外，它们可以由每个IRS控制器独立地实现，而不需要来自用户的服务BS的任何实时反馈。仿真结果表明，所提出的设计方案能够有效地获得较高的IRS无源波束形成增益，从而显著提高高速车载通信系统的通信吞吐量。
2023-02-15 cs.IT eess.SP math.IT
Towards 6G-V2X: Aggregated RF-VLC for Ultra-Reliable and Low-Latency Autonomous Driving
本文研究车载可见光通信与车载射频通信的链路聚合混合系统，证明其在雨、雾、干雪等气象影响下仍能满足6G-V2X的超高可靠（>99.999%）与超低时延（<3 ms）要求，并指出未来挑战与研究方向。
2024-08-31 cs.SY eess.SP eess.SY
Geometric Machine Learning for Channel Covariance Estimation in Vehicular Networks
在毫米波车载通信中，学习空间相关无线信道的协方差矩阵可以用于设计无线波束成形码本。这种信道协方差矩阵可以表示在非欧几里德黎曼流形上，这要归功于它们的对称正定（SPD）特性。因此，在本文中，我们提出了一个黎曼几何机器学习（G-ML）的方法来估计信道协方差矩阵的基础上无监督的K-Means模型。所提出的K-means算法利用对数欧几里德度量（LEM）作为黎曼流形上信道协方差矩阵之间的距离度量。我们表明，我们提出的K-Means G-ML模型与基于欧几里得的K-Means算法相比，可以减少高达80%的错误，该算法对信道向量本身进行聚类。
2021-07-01 eess.SP
Vehicular Networks for Combating a Worldwide Pandemic: Preventing the Spread of COVID-19
作为一种全球性大流行病，新型冠状病毒病（COVID-19）给人们的社会生活带来了严重限制，同时造成了生命损失、经济崩溃和人道主义援助中断。尽管技术发展取得了进步，但作为研究人员，我们目睹了一些问题需要进一步调查，以便更好地应对大流行病的爆发。因此，研究人员最近开始研究阻止或至少减少大流行病传播的想法。虽然已经有一些关于用于对抗流行病场景的无线网络的先前工作，但是车辆网络及其潜在瓶颈尚未被充分研究。此外，车辆场景可以被识别为社交距离最常被违反的位置。基于这一动机，本文对车辆网络用于抗击流行病进行了广泛的讨论。我们提供车联网在公共交通、车载诊断、边境巡逻和社交距离监控方面的主要应用，以抗击COVID-19。接下来，我们确定了所收集的数据在隐私，灵活性和覆盖范围方面的独特特征，然后强调了隐私保护，资源分配，数据缓存和数据路由的未来发展方向。我们相信，这项工作为开发新产品和算法铺平了道路，这些产品和算法可以促进社会生活，并有助于控制疫情的传播。
2022-10-11 cs.IT cs.SY eess.SP
A Generative Learning Approach for Spatio-temporal Modeling in Connected Vehicular Network
Huazhong Univ. of Science & Technology（华中科技大学）；University of Arizona（亚利桑那大学）；Nanyang Technological University（南洋理工大学）
无线接入时延的时空建模对于车联网系统具有重要意义。模制结果的质量在很大程度上取决于样本的数量和质量，由于传感器部署密度以及交通量和密度，样本的数量和质量可能会发生显著变化。本文提出了LaMI（延迟模型修复），这是一种新的框架，用于生成跨广泛地理区域的联网车辆的无线接入延迟的全面时空。LaMI采用了图像修复和合成的思想，可以通过两个步骤重建丢失的延迟样本。特别是，它首先使用基于补丁的方法发现在各个区域收集的样本之间的空间相关性，然后将原始和高度相关的样本馈送到变分自动编码器（VAE），一种深度生成模型，以创建具有与原始样本相似概率分布的延迟样本。最后，LaMI建立了延迟性能的经验PDF，并将PDF映射到不同车辆服务需求的置信水平。广泛的性能评估已经进行了使用商业LTE网络在大学校园中收集的真实痕迹。仿真结果表明，我们提出的模型可以显着提高延迟建模的准确性，特别是与现有的流行的解决方案，如插值和最近邻的方法相比。
2020-03-16 cs.LG eess.SP
Platoon--assisted Vehicular Cloud in VANET: Vision and Challenges
配备无线传感器、智能控制系统和通信设备的智能联网车辆预计将在短期内商业化推出并出现在道路上。这些智能车辆能够部分/完全自行驾驶;从传感器收集数据，根据这些数据做出和执行决策;与其他车辆，行人和安装在道路上的节点进行通信;并提供信息娱乐和增值服务，如超高清视频的宽带传输、文件/应用程序下载和上传、在线游戏、访问社交媒体，音频/电视会议流传输（车内办公）、直播电视流传输等;此外，自动驾驶车辆还可以在道路上形成“队列”;保持紧密接近，以便减少燃料消耗和/或气体排放，降低成本，增加安全性，并提高传统运输系统的效率。这些新兴的车辆应用需要大量的计算和通信能力，以在其计算密集型和延迟敏感的任务中脱颖而出。基于这些事实，本文的作者提出了一个有远见的概念-“车队辅助车辆云”-利用车队中未充分利用的资源来增强车辆云，旨在提供具有成本效益和按需的计算资源。此外，作者还提出了三种潜在场景，并解释了如何利用队列资源和路边基础设施来促进新应用。除了系统设计，本文还总结了一些开放的研究挑战，目的是激励新的进展和潜在的解决方案，这一领域。
2020-08-25 cs.NI cs.SY eess.SP
Physical Layer Security in Vehicular Communication Networks in the Presence of Interference
通过分析车载通信网络的保密容量，研究了在干扰约束条件下车载通信网络的物理层安全问题。该系统认为一个合法的接收机节点和窃听节点，在一个共享的网络中，都在来自其他用户的干扰的影响下。双瑞利衰落信道用于捕获车辆网络的无线通信信道的影响。我们提出了标准的对数表达式的系统容量的替代形式，以方便分析的联合矩生成函数（MGF）的随机变量表示的信道衰落和干扰。封闭形式的表达式的MGFs获得和蒙特卡罗模拟提供整个验证结果。结果表明，系统的保密容量的性能是受干扰器的数量和他们的距离。结果进一步证明了窃听者位置的不确定性对分析的影响。
2019-11-18 eess.SP
Dependence Control for Reliability Optimization in Vehicular Networks
车载网络将在增强道路安全、提高运输效率以及为道路上的用户提供无缝互联网服务方面发挥重要作用。获得车载网络的好处取决于满足严格的无线通信性能要求，特别是在延迟和可靠性方面。本文提出了一种依赖控制机制，以提高车辆网络的整体可靠性。特别地，首先对不同车辆到车辆（V2V）链路的通信延迟之间的依赖性进行建模。然后引入了随机序理论中的协调序概念，说明了可靠性越高，相关性越好。使用这种见解，制定功率分配问题，以最大限度地提高一致性，从而优化V2V系统的整体通信可靠性。为了获得一个有效的解决方案的功率分配问题，一个双重更新方法。仿真结果验证了依赖控制在车载网络可靠性优化中的有效性，并表明，所提出的机制可以实现高达25%的可靠性增益相比，使用随机功率分配的基线系统。
2019-08-03 cs.IT eess.SP math.IT
TransRx-6G-V2X : Transformer Encoder-Based Deep Neural Receiver For Next Generation of Cellular Vehicular Communications
本文提出基于Transformer编码器的深度神经接收机TransRx，用于6G车联网V2N通信，在UMa信道多种速度场景下相比CNN接收机和传统接收机分别获得3.5dB和8dB的BER收敛增益，并具备强泛化能力。
2024-08-02 eess.SP
Implicit Channel Learning for Machine Learning Applications in 6G Wireless Networks
Duzce University（杜兹切大学）；University of Luxembourg（卢森堡大学）；Carleton University（卡尔顿大学）；United States Army Research Laboratory（美国陆军研究实验室）；University of Hertfordshire（赫特福德大学）
随着第五代（5G）无线系统在全球范围内的部署势头越来越大，6 G的可能技术正在积极的研究讨论中。特别是，机器学习（ML）在6 G中的作用有望增强和帮助新兴应用，如虚拟和增强现实、车辆自主和计算机视觉。这将导致包括图像、视频和语音的大部分无线数据流量。ML算法通过位于云服务器上的学习模型处理这些数据，以进行分类/识别/估计。这需要将数据从边缘设备无线传输到云服务器。与识别步骤分开处理的信道估计对于精确的学习性能是至关重要的。为了结合信道和ML数据的学习，我们引入了隐式信道学习来执行ML任务，而无需估计无线信道。在这里，ML模型使用通道损坏的数据集代替标称数据进行训练。在没有信道估计的情况下，所提出的方法在诸如毫米波和IEEE 802.11p车载信道的各种场景下的图像和语音分类任务中表现出大约60%的改进。
2022-06-24 cs.AI cs.IT cs.LG
A 3D Non-Stationary GBSM for Vehicular Visible Light Communication MISO Channels
可见光通信（VLC）技术在车载通信网络中的应用潜力近年来引起了广泛关注。作为车辆VLC通信系统的适当设计和优化的基础的底层VLC信道尚未被充分研究。车载VLC链路损伤会对系统性能和容量产生重大影响。这种损害包括光无线信道失真和背景噪声。提出了一种新的三维（3D）规则形状的基于几何的随机模型（RS-GBSM）的车辆VLC多输入单输出（MISO）信道。提出的3D RS-GBSM结合了双球体模型和椭圆柱体模型。视线（LoS）和单次反弹（SB）组件都被考虑。该模型采用von-Mises-Fisher（VMF）分布联合考虑方位角和仰角。基于该模型，分析了通信距离与接收光功率之间的关系，并通过仿真进行了验证。通过与相应的二维（2D）模型的接收光功率进行比较，研究了3D模型中的仰角对接收光功率的影响。此外，还对背景噪声进行了建模，以评估系统的信噪比（SNR）。
2020-07-28 eess.SP
Joint Relay Selection and Beam Management Based on Deep Reinforcement Learning for Millimeter Wave Vehicular Communication
协作中继通过为数据传输提供多条路径来提高无线网络中的可靠性和覆盖范围。中继将在更高频段的车载网络中发挥重要作用，因为移动性和频繁的信号阻塞会导致链路中断。为了确保中继辅助车载网络的连通性，中继选择策略应被设计为有效地找到未阻塞的中继。受移动毫米波（mmWave）网络中波束管理的最新进展的启发，本文解决了这样一个问题：如何才能选择最好的中继与最小的开销从波束管理？在这方面，我们制定了一个顺序决策问题，以共同优化中继选择和波束管理。我们提出了一种基于深度强化学习（DRL）的联合中继选择和波束管理策略，使用波束索引和波束测量的马尔可夫特性。建议的DRL为基础的算法学习适应动态信道条件和业务模式的时变阈值。数值实验表明，该算法优于基线没有事先信道知识。此外，基于DRL的算法可以在快速变化的信道下保持高的频谱效率。
2022-12-19 eess.SP
Advancing Network Digital Twin Framework for Generating Realistic Datasets
KTH Royal Institute of Technology（皇家理工学院）；Ericsson Research（爱立信研究）；NYU Tandon（纽约大学坦登工程学院）
提出一个集成可控车辆移动性、光线追踪器Sionna和离散事件模拟器ns-3的开源网络数字孪生框架，用于生成跨层真实数据集，支持可重复实验和机器学习算法基准测试。
2026-06-03 cs.NI eess.SP
Low-Latency High-Level Data Sharing for Connected and Autonomous Vehicular Networks
自动驾驶汽车可以将自己的数据与其他车辆的数据相结合，以增强其感知能力，从而提高检测精度和驾驶安全性。然而，由于车辆上的各种类型的传感器生成的数据量巨大，因此自动驾驶车辆之间的数据共享是一个具有挑战性的问题。在本文中，我们提出了一个低延迟，高层次（L3）数据共享协议连接和自主车辆网络。基于L3协议，单个车辆产生的传感结果将在有限的传感区域内同时广播。L3协议通过利用车辆之间发生的无线传输的捕获效应来减少联网延迟。根据提出的设计原则，我们在模拟环境中实现并测试了L3协议。仿真结果表明，L3协议能够实现自主车辆间可靠、快速的数据共享。
2019-12-02 cs.NI eess.SP
Towards ISAC-Empowered Vehicular Networks: Framework, Advances, and Opportunities
针对网联自动驾驶车辆网络的低吞吐、高延迟、定位差等问题，本文综述通感一体化（ISAC）在车到基础设施网络中的应用框架、进展及5G NR感知辅助通信案例，并指明未来研究方向与机遇。
2023-05-01 eess.SP
Optimizing NOMA Transmissions to Advance Federated Learning in Vehicular Networks
本文针对车载网络中联邦学习因无线资源受限导致参与比例不足的问题，提出基于NOMA的车辆选择与功率控制算法，以最大化可参与车辆数，从而提升联邦车载网络性能。
2024-08-06 cs.NI eess.SP
Scheduling Out-of-Coverage Vehicular Communications Using Reinforcement Learning
Huawei Technologies Duesseldorf GmbH（华为技术杜塞尔多夫有限公司）；Technische Universität Berlin（柏林工业大学）
车对车（V2V）通信的性能在很大程度上取决于所采用的调度方法。虽然集中式网络路由器提供高V2V通信可靠性，但它们的操作通常限于具有全蜂窝网络覆盖的区域。相反，在蜂窝覆盖区域外，使用相对低效的分布式无线电资源管理。为了利用集中式方法的优势来增强缺乏蜂窝网络覆盖的道路上V2V通信的可靠性，我们提出了VRLS（车辆强化学习），这是一种集中式调度器，可以主动为覆盖范围外的V2V通信\textit{before}车辆离开蜂窝网络覆盖范围分配资源。通过在模拟车辆环境中进行训练，VRLS可以学习鲁棒且适应环境变化的调度策略，从而无需在复杂的现实环境中进行有针对性的（重新）训练。我们评估VRLS在不同的移动性，网络负载，无线信道和资源配置下的性能。VRLS通过在高负载条件下将分组出错率降低一半并在低负载情况下实现接近最大的可靠性，在没有蜂窝网络覆盖的区域中优于最先进的分布式调度算法。
2022-07-13 cs.AI cs.NI eess.SP
Optimized Beamforming and Bandwidth Allocation in Multi-Antenna UAV-Assisted Vehicular Networks
School of Electrical Engineering, Iran University of Science & Technology (IUST)（伊朗理工大学电气工程学院）；School of Computing and Information Technology, Great Bay University（东莞理工学院计算机与信息技术学院）；Great Bay Institute for Advanced Study (GBIAS)（大湾区高等研究院）
针对动态环境下关键任务车辆的可靠通信问题，提出一种结合多天线波束赋形与动态带宽分配的无人机辅助通信框架，通过交替优化框架实现联合优化，数值结果表明所提方案优于单独优化方法。
2026-06-29 eess.SP
Optimized Age of Information Tail for Ultra-Reliable Low-Latency Communications in Vehicular Networks
虽然最近提出了信息时代（AoI）的概念来分析超可靠低延迟通信（URLLC），但大多数现有的工作都集中在平均AoI测量上。基于平均AoI设计无线网络将无法表征URLLC系统的性能，因为它不能解释以非常低的概率发生的极端AoI事件。相比之下，本文超越了平均AoI，以改善URLLC在车载通信网络的特征和控制的AoI尾部分布。特别是，传输功率最小化问题进行了研究，严格的URLLC的约束条件下的概率AoI确定性和马尔可夫交通到达。因此，提出了一种有效的新的映射之间的AoI和与时间相关的分布。随后，极值理论（EVT）和李雅普诺夫优化技术制定和解决的问题，同时考虑长和短的数据包传输。仿真结果表明，在缩短AoI分布尾部方面，除了到达率和AoI之间的权衡之外，与模拟最大队列长度分布的基线相比，有了两倍的改进。
2019-12-17 cs.NI eess.SP
Vehicular Behavior-Aware Beamforming Design for Integrated Sensing and Communication Systems
通信和传感是互联和自动驾驶车辆（CAV）的两个重要特征。在传统的车载设备中，通信和传感模块存在，但以隔离的方式存在，导致硬件资源和无线频谱的浪费。在本文中，以应付上述效率低下，我们提出了一种车辆行为感知的通感一体化（VBA-ISAC）波束成形设计的车载发射机与多个天线。在这项工作中，根据车辆行为来引导波束以辅助驾驶，同时在路边单元（RSU）的帮助下提供频谱高效的上行链路数据服务。具体来说，我们首先预测感兴趣的区域（AoI）的基础上感兴趣的车辆的轨迹。然后，我们制定了一个VBA-ISAC波束成形设计问题，以感测的AoI，同时最大限度地提高上行链路通信的频谱效率，其中的权衡因素被引入到平衡的通信和感测性能。提出了一种基于半定松弛的波束失配最小化（SDR-BMM）算法。为了降低硬件成本和功耗，我们进一步改进了所提出的VBA-ISAC波束形成设计，通过引入混合模拟数字（HAD）结构。数值结果验证了VBA-ISAC方案的有效性，并表明所提出的波束形成设计在频谱效率和雷达波束图优于基准。
2023-02-27 cs.CE cs.IT eess.SP
Securing V2I Communications in 5G and Beyond Wireless System Using Gradient Ascent Approach
5G及以后的无线系统，而不仅仅是4G的扩展，被视为“网络的网络”，预计将集成包括无线车载网络（WVN）在内的异构无线网络。WVN承诺解决许多问题，例如减少道路事故，交通堵塞，燃料消耗和通勤时间，这受到各种安全问题的影响，例如窃听，攻击者试图被动地偷听秘密传输的信号（这使得检测/防御非常困难）。在这项工作中，我们的目标是实现一个安全方案，通过提高在Sub-6 GHz和毫米波（mmWave）频段的保密能力。用于5G及更高无线网络的车对基础设施（V2 I）。与以往的作品中的保密容量增加随机增加的源功率或设置系统组合器/预编码器，在这项工作中，我们采用梯度上升算法搜索最佳的组合器/预编码器，最大限度地提高保密率的性能。我们进一步提出了两种不同的优化方案：固定和可变的传输功率。
2021-02-05 eess.SP
Time Synchronization in 5G Wireless Edge: Requirements and Solutions for Critical-MTC
无线边缘是关于向无线设备分发智能，其中准确时间基准的分发对于时间关键机器类型通信（cMTC）是必不可少的。在基于5G的cMTC中，在无线边缘实现时间同步意味着超越5G无线电接入中的当前同步需求和解决方案。在本文中，我们分析了潜在cMTC应用的设备级同步需求：工业自动化、配电、车载通信和现场音频/视频制作。我们提出了一种由5G空中接口参数组成的空中（OTA）同步方案，并讨论了它们相关的定时误差。我们评估了随机误差下定时提前（TA）的设备到基站传播延迟的估计误差，并展示了如何减少估计误差。最后，我们确定了密集多径衰落环境下的随机误差，并讨论了对策。
2019-06-14 cs.IT eess.SP math.IT
Adaptive Peer Clustering with Hierarchical Random Linear Network Coding for Resilient Decentralized Wireless Networks
Saveetha Institute of Medical and Technical Sciences（Saveetha医学与技术科学研究所）；SRM Institute of Science and Technology（SRM科学与技术研究所）
APC-RLNC通过EWMA可靠性指标动态聚类对等节点，结合分层RLNC，在多类去中心化无线网络场景下提升PDR、降低延迟并增强鲁棒性，为6G无线系统提供基础原语。
2026-08-27 cs.DC cs.IT cs.NI
Distributed Federated Learning for Vehicular Network Security: Anomaly Detection Benefits and Multi-Domain Attack Threats
Nexcepta Inc.（Nexcepta公司）；RTX BBN Technologies
本文探索分布式联邦学习（DFL）在车载网络安全中的应用，证明其能显著提升异常检测准确率，并揭示DFL在无线干扰和训练数据投毒等多域攻击下的漏洞，强调需更稳健的保护策略。
2025-05-29 cs.AI cs.DC cs.IT
Machine Learning Based Channel Modeling for Vehicular Visible Light Communication
Koc University（科奇大学）
光无线通信（OWC）传播信道特性对车载可见光通信（VVLC）系统的设计和性能分析具有重要意义。目前的OWC信道模型基于确定性和随机性方法，未能解决流动性引起的环境光，光学湍流和道路反射对信道特性的影响。因此，替代机器学习（ML）的计划，考虑环境光，光学湍流，道路反射的影响，除了车间距和几何形状，提出了获得准确的VVLC信道损耗和信道频率响应（CFR）。本文通过多层感知器前馈神经网络（MLP）、径向基函数神经网络（RBF-NN）和随机森林集成学习算法，实现了基于ML的VVLC信道模型框架的综合。预测和响应变量，通过实际道路测量收集，训练和验证各种条件下提出的模型。此外，不同的预测变量的信道损耗和CFR的重要性进行了评估，介绍了测量VVLC信道的特征的归一化重要性。我们发现，RBF-NN，随机森林和MLP为基础的模型产生更准确的信道损耗估计与3.53 dB，3.81 dB，3.95 dB均方根误差（RMSE），分别相比，拟合曲线为基础的VVLC信道模型与7 dB RMSE。此外，RBF-NN和MLP模型被证明预测VVLC CFR相对于距离，环境光和接收器倾斜角预测变量分别为3.78 dB和3.60 dB的RMSE。
2020-02-03 cs.LG eess.SP stat.ML
